蚁群算法在TSP中的仿真应用及最优参数选择研究

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性。论文阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响。仿真研究表明蚁群算法中的参数对于TSP的求解有较大的影响,通过最优参数的正确选取,能使得算法取得更优的值。     

蚁群优化算法在TSP中的应用

提出了一种求解TSP问题的有效算法———蚁群优化算法。该算法通过模拟蚁群搜索食物的过程,求解TSP问题。算法的主要特点是,正反馈、分布式计算、与某种启发式算法相结合。并给出了算法原理及流程;最后用计算机仿真得出结果,证明了该算法的有效性。     

基于蚁群优化算法的TSP问题求解

蚁群优化算法是受蚂蚁觅食的通行机制的启发而提出的一种群集智能算法．介绍了蚁群优化算法的基本原理,在此基础上实现了蚁群优化算法,应用到TSP问题求解中,并根据启发函数、信息素进行算法性能优化,提高了算法的收敛速度．实验结果表明蚁群算法具有极强的鲁棒性和求最优解的能力,取到了很好的效果．     

求解TSP问题的改进蚁群算法

分析了标准蚁群算法易于出现早熟停滞现象的主要原因，在原有算法基础上引入局部信息激素、最优最差路径信息激素更新策略及变参数策略，扩大了解的搜索空间，有效抑制了收敛过程中的早熟停滞现象，大大提高了算法收敛速度；同时引入局部最优搜索策略，增大了解突变的机率，求解质量得到了极大的改善．对于典型旅行商问题库中旅行商问题的实验及与标准蚁群算法的比较实验验证了该方法的有效性．     

自适应蚁群算法在TSP问题中的应用

针对传统的蚂蚁算法容易出现早熟和停滞现象,提出了一种自适应蚂蚁算法（Self-Adaptive Ant Colony Algorithm,SAACA）并选择典型TSP问题进行实验.结果表明：改进的蚁群算法具有更好的搜索全局最优解的能力以及更好的稳定性和收敛性.     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

用改进的蚁群算法求解TSP新探

通过分析蚂蚁在觅食过程中对最短路径的搜索策略,给出蚁群算法在求解旅行商问题（TSP）中的应用,并使用3—opt方法对所求问题的解进行局部优化,实验结果证明了该解决方案的有效性．     

免疫蚁群算法在电力系统无功优化中的应用

将人工免疫算法和蚁群算法相结合形成免疫蚁群算法,运用免疫机理提取疫苗获得初始解,通过免疫操作加快算法收敛速度,并用基于浓度的选择机制抑制算法的＂早熟＂.将该算法用于求解电力系统无功优化问题进行仿真,结果表明它的收敛速度和计算精度都有较大提高.     

基于蚁群算法的TSP问题求解

TSP问题是典型的NP—hard组合优化问题,蚁群算法是一种求解此类问题的优化算法,通过模拟蚂蚁觅食行为来解决NP问题。文章使用蚁群算法求解TSP问题,并结合TSP问题的特点选择了一种合适的蚁群更新策略。     

WebGIS中基于蚁群算法的TSP问题的求解

针对旅行商问题(TSP),研究了网络地理信息系统(WebGIS)中的蚁群优化算法(ACO)在其问题上的应用.为提高蚁群优化性能,采用一种空间拓扑结构与蚁群优化算法结合,并引入了局部搜索策略2-opt.在城市数目一定的情况下,改进蚁群算法能够得到所求TSP的全局最优解,与遗传算法和模拟退火算法比较,它具有更快的收敛速度和更高的收敛精度,并可扩展到一类相关的组合优化问题之中.结果表明,改进蚁群算法对于求解TSP问题效果是很明显的.     

一种基于免疫蚁群混合算法的TSP求解模型

为了解决传统蚁群算法搜索速度慢、容易出现早熟、停滞的缺点,以及传统免疫算法由于反馈信息利用不足存在大量无为的冗余迭代导致求解效率低的缺点,提出了一种蚁群与免疫克隆相结合的混合算法,该算法在前期采用免疫算法来产生蚁群算法的初始信息分布,在后期根据路径浓度抑制机制调整路径上的信息量,从而保持了蚁群多样性,并将该算法用于求解旅行商问题进行计算机仿真,从实验结果可以看出,该算法具有针对性的改进,是一种收敛速度和寻优能力都较好的优化方法.     

基于多蚁型的蚁群聚类算法

本文提出了一种多蚁型的蚁群模型和在此模型上的一个具有移动空间的蚁群聚类算法。每个类簇都带有一个移动空间,使同类的蚂蚁紧密地聚在一起。移动空间为每个类簇选出一个代表蚂蚁用来长距离的类簇移动。代表蚂蚁通过连接将类簇中不相似的大量数据移动到与其相似的代表蚂蚁处,减少了蚂蚁的搜索时间,提高聚类性能。针对UCI数据集进行实验,结果表明新算法提高了聚类效果。     

基于蚁群模拟退火算法的云环境任务调度

针对云计算的MapReduce编程框架,提出一种融合蚁群算法和模拟退火算法的混合调度算法（ACOSA）。该算法以最小化调度时间为目标,引入了任务与资源的匹配因子和负载均衡度,先利用蚁群算法得到一组任务到资源的优化解,然后通过模拟退火算法对解进行路径的优化和信息素的更新。通过扩展Cloudsim云计算仿真平台,对其进行重新编译,实现了所提出的算法,实验结果表明该算法在调度时间、负载均衡等方面表现良好。     

基于蚁群寻路的图像分割算法

文章主要是对蚁群算法做了一定的改进,将它用于图像分割,然后将分割出来的图像的边界利用腐蚀算法进行细化以达到更好的分割效果。分割算法可以看作一个组合优化问题,人工蚁群算法就是一种优化方法。因此,将人工蚁群算法引入到图像分割处理中完全可行。经过实验证明,该方法是完全可行的。     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

多处理机调度问题的蚁群优化算法

传统蚁群算法存在收敛速度慢、计算时间长、易陷入局部最优解等方面的缺陷。通过对蚁群信息素更新、策略选择、参数选择等各方面进行改进,提出一种更加高效的多处理机调度蚁群优化算法。实验证明：与其他优化算法相比,该算法能在较短的时间内找到更好的调度策略,具有较好的收敛性和有效性及优良的全局优化性能。     

基于信息熵的蚁群聚类算法的改进

聚类分析是数据挖掘领域中的一个重要研究课题．在LF算法的基础上，利用信息熵减少参数设置，并通过半径递增、短期记忆、强行放下、合并聚类等策略，提高聚类性能、仿真实验表明：新算法能取得较好的聚类结果，对于处理混合属性数据集尤其是类属性数据集聚类问题相当有效．     

模拟退火与蚁群混合并行算法解旅行商问题

求解TSP问题的智能优化算法主要包括蚁群算法和模拟退火算法等,这些算法求解TSP问题的速度比传统的精确求解算法有很大改进,但在问题的求解空间逐渐增加时,串行执行速度往往还是无法满足人们的需求.针对此问题,研究了蚁群算法、模拟退火算法以及两者的混合算法的并行实现方法,建立了PC机群实验平台,基于MPI环境对蚁群算法、模拟退火算法以及混合算法的并行算法进行了测试.根据理论研究和实际测试的结果,比较了并行算法和传统串行算法的性能差异,总结了利用PC机群系统求解旅行商问题的并行求解的可行性,得出了关于并行效率等方面的一些有意义的结论.     

基于聚类和分段优化的蚁群算法

针对蚁群算法在求解大规模旅行商问题(TSP)时精度和时间方面的不足,提出了一种新的算法,该算法采用多阶段的蚁群寻优策略.算法的复杂度分析及在大规模TSP问题上的实验表明:该算法在保证获得较好解的前提下收敛速度得到了较大的改进.